首次接触：基于振动信息的柔性估计用于假肢抓握调节

柔性估计对于机器人和假肢手的精细物体操作至关重要，但由于依赖于力和位移测量以及实时感知集成，仍面临挑战。本研究提出了一种基于压电 sensing 框架，用于在抓握的首次接触时估计柔性，旨在解决传统力学方法的局限性。受人类皮肤启发，我们开发了一种多模态触觉传感器，捕获振动和力数据，并集成到假肢手的指尖。机器学习模型，包括支持向量机和卷积神经网络，均表明，首次接触后 15 ms 内的振动信号可可靠地编码柔性信息，在不同刚性物体上实现最高达 98.6% 的分类准确率和最低 2.39 Shore A 的回归误差。推断时间小于 1.5 ms，显著快于我们数据集中的平均抓握闭合时间 (16.65 ms)，实现了在物体被完全抓住之前的实时柔性估计。通过利用抓握动力学中 transient 非对称性，即一只手指在其他手指接触物体之前即与之接触，本方法实现了早期抓握调节，提升了假肢手的安全性和直观性，同时在机器人领域具有广泛应用前景。